Classificação de perfis de lesão do ligamento cruzado anterior por meio da análise da corrida: uma abordagem de aprendizado de máquina

Por que lesões de joelho importam para pessoas ativas

Para muitos atletas e pessoas ativas, um ligamento do joelho lesionado pode ser um ponto de inflexão que altera para sempre a forma como se movimentam. O ligamento cruzado anterior, ou LCA, é um estabilizador-chave do joelho, e rupturas são comuns em esportes que envolvem cortes, saltos e paradas bruscas. Mesmo após cirurgia e meses de reabilitação, muitas pessoas não retornam ao nível anterior de desempenho e podem enfrentar maior risco de artrose precoce. Este estudo investiga se computadores podem identificar pequenas mudanças em como as pessoas correm após a cirurgia do LCA — mudanças pequenas demais para o olho ou para testes padrão detectarem.

Como o estudo analisou padrões de corrida

Os pesquisadores recrutaram 30 atletas jovens: 15 saudáveis e 15 que passaram por reconstrução do LCA nos últimos 5 a 8 meses. Todos estavam sem dor, liberados por seus fisioterapeutas e competindo em níveis semelhantes em esportes como futebol, futsal, artes marciais e vôlei. Cada atleta correu em uma esteira instrumentada especial em velocidade constante enquanto sensores sob a plataforma registravam como os pés faziam contato com a superfície. A partir desse arranjo, a equipe mediu características básicas da corrida, como duração de cada passo e passada, tempo de apoio e de balanço, alcance de cada passo e a rapidez com que forças e o centro de pressão se moviam sob os pés.

Transformando movimento complexo em dados utilizáveis

Correr é uma ação altamente repetitiva, então até pequenas mudanças no tempo ou na carga podem se acumular ao longo de milhares de passos. A esteira capturou 2.470 passadas individuais entre todos os participantes, criando um conjunto de dados rico, porém complexo. Para interpretá-lo, os pesquisadores primeiro padronizaram os números para que nenhuma medida dominasse apenas por ter escala maior. Em seguida, usaram um método matemático para comprimir os dados mantendo a maior parte da variação importante. A partir daí, focaram em 11 características-chave da corrida, incluindo tempo de passada, tempo de apoio, tempo de balanço, comprimento do passo e da passada, pico de força vertical, quão rapidamente essa força aumentava e a velocidade com que a pressão se deslocava para frente e lateralmente sob o pé.

Deixando que computadores classifiquem corredores saudáveis e lesionados

Com essas características medidas em mãos, a equipe treinou vários tipos de programas computacionais conhecidos como modelos de aprendizado de máquina para distinguir corredores saudáveis daqueles com histórico de LCA. Eles testaram uma gama de ferramentas comuns, incluindo árvores de decisão, florestas aleatórias, máquinas de vetores de suporte e redes neurais. Para evitar ilusões de desempenho, usaram uma abordagem de teste cuidadosa em que as passadas de cada pessoa eram mantidas inteiramente no conjunto de treino ou inteiramente no conjunto de teste. Assim, os modelos precisaram generalizar para novas pessoas, não apenas para novos passos da mesma pessoa. O destaque foi um método simples chamado K vizinhos mais próximos, que compara cada nova passada com passadas semelhantes já vistas. Ele classificou as passadas com precisão muito alta e quase perfeita capacidade de separar os dois grupos.

O que mais importa na passada de um corredor

Além de apenas rotular corredores como saudáveis ou reconstruídos do LCA, os autores quiseram saber quais partes do padrão de corrida traziam as informações mais úteis. Em vários modelos, as características temporais se destacaram. Tempo de passada, tempo de apoio e tempo de balanço foram especialmente importantes, junto com a rapidez com que o centro de pressão se movia para frente sob o pé. Esses resultados concordam com pesquisas anteriores que mostram que, após a cirurgia do LCA, as pessoas frequentemente mudam quanto tempo passam em cada perna e como carregam suas articulações, mesmo que a corrida pareça normal a observadores. Embora um modelo de árvore de decisão mais simples fosse mais fácil de interpretar, ele não lidou com a complexidade dos dados tão bem quanto modelos que combinam muitas árvores ou que se apoiam em muitos vizinhos.

O que isso pode significar para reabilitação e retorno ao esporte

O estudo sugere que dados coletados cuidadosamente em esteiras, combinados com análise computacional moderna, podem revelar alterações persistentes na forma de correr após a reconstrução do LCA. Para atletas do dia a dia, isso poderia, no futuro, se traduzir em verificações rápidas baseadas em dados durante a reabilitação que indiquem se a passada realmente se normalizou ou ainda carrega padrões associados a estresse extra no joelho. Clínicos poderiam focar o treinamento em melhorar o tempo e a coordenação ao longo da passada, em vez de apenas na força ou nos níveis de dor. Se integrados a dispositivos vestíveis ou sistemas de feedback em tempo real, modelos semelhantes poderiam ajudar a identificar riscos de relesão mais cedo e orientar planos de exercício mais personalizados, com o objetivo de longo prazo de reduzir a chance de problemas crônicos no joelho, como artrose precoce.

Citação: Tavakoli, H., Ataabadi, P.A., Khezri, D. et al. Classification of anterior cruciate ligament injury profiles through running analysis: a machine learning approach. Sci Rep 16, 15010 (2026). https://doi.org/10.1038/s41598-026-44264-3

Palavras-chave: lesão do LCA, análise da marcha, aprendizado de máquina, biomecânica da corrida, reabilitação esportiva